Flink Window

1、Window概述

streaming流式计算是一种被设计用于处理无限数据集的数据处理引擎，而无限数据集是指一种不断增长的本质上无限的数据集，而window是一种切割无限数据为有限块进行处理的手段。

Window是无限数据流处理的核心，Window将一个无限的stream拆分成有限大小的”buckets”桶，我们可以在这些桶上做计算操作。

2、Window类型

Window可以分成两类：

CountWindow：按照指定的数据条数生成一个Window，与时间无关。
TimeWindow：按照时间生成Window。

对于TimeWindow，可以根据窗口实现原理的不同分成三类：

滚动窗口（Tumbling Window）
滑动窗口（Sliding Window）
会话窗口（Session Window）

滚动窗口（Tumbling Windows）

将数据依据固定的窗口长度对数据进行切片。

特点：时间对齐，窗口长度固定，没有重叠。

滚动窗口分配器将每个元素分配到一个指定窗口大小的窗口中，滚动窗口有一个固定的大小，并且不会出现重叠。例如：如果你指定了一个5分钟大小的滚动窗口，窗口的创建如下图所示：

代码片段

 1 val input: DataStream[T] = ...
 2 
 3 // tumbling event-time windows
 4 input
 5     .keyBy(<key selector>)
 6     .window(TumblingEventTimeWindows.of(Time.seconds(5)))
 7     .<windowed transformation>(<window function>)
 8 
 9 // tumbling processing-time windows
10 input
11     .keyBy(<key selector>)
12     .window(TumblingProcessingTimeWindows.of(Time.seconds(5)))
13     .<windowed transformation>(<window function>)
14 
15 // daily tumbling event-time windows offset by -8 hours.
16 input
17     .keyBy(<key selector>)
18     .window(TumblingEventTimeWindows.of(Time.days(1), Time.hours(-8)))
19     .<windowed transformation>(<window function>)

适用场景：适合做BI统计等（做每个时间段的聚合计算）

滑动窗口（Sliding Windows）

滑动窗口是固定窗口的更广义的一种形式，滑动窗口由固定的窗口长度和滑动间隔组成。

特点：时间对齐，窗口长度固定，可以有重叠。

滑动窗口分配器将元素分配到固定长度的窗口中，与滚动窗口类似，窗口的大小由窗口大小参数来配置，另一个窗口滑动参数控制滑动窗口开始的频率。因此，滑动窗口如果滑动参数小于窗口大小的话，窗口是可以重叠的，在这种情况下元素会被分配到多个窗口中。

例如，你有10分钟的窗口和5分钟的滑动，那么每个窗口中5分钟的窗口里包含着上个10分钟产生的数据，如下图所示：

代码片段

 1 val input: DataStream[T] = ...
 2 
 3 // sliding event-time windows
 4 input
 5     .keyBy(<key selector>)
 6     .window(SlidingEventTimeWindows.of(Time.seconds(10), Time.seconds(5)))
 7     .<windowed transformation>(<window function>)
 8 
 9 // sliding processing-time windows
10 input
11     .keyBy(<key selector>)
12     .window(SlidingProcessingTimeWindows.of(Time.seconds(10), Time.seconds(5)))
13     .<windowed transformation>(<window function>)
14 
15 // sliding processing-time windows offset by -8 hours
16 input
17     .keyBy(<key selector>)
18     .window(SlidingProcessingTimeWindows.of(Time.hours(12), Time.hours(1), Time.hours(-8)))
19     .<windowed transformation>(<window function>)

适用场景：对最近一个时间段内的统计（求某接口最近5min的失败率来决定是否要报警）。

会话窗口（Session Windows）

由一系列事件组合一个指定时间长度的timeout间隙组成，类似于web应用的session，也就是一段时间没有接收到新数据就会生成新的窗口。

特点：时间无对齐。

session窗口分配器通过session活动来对元素进行分组，session窗口跟滚动窗口和滑动窗口相比，不会有重叠和固定的开始时间和结束时间的情况，相反，当它在一个固定的时间周期内不再收到元素，即非活动间隔产生，那个这个窗口就会关闭。一个session窗口通过一个session间隔来配置，这个session间隔定义了非活跃周期的长度，当这个非活跃周期产生，那么当前的session将关闭并且后续的元素将被分配到新的session窗口中去。

代码

 1 val input: DataStream[T] = ...
 2 
 3 // event-time session windows with static gap
 4 input
 5     .keyBy(<key selector>)
 6     .window(EventTimeSessionWindows.withGap(Time.minutes(10)))
 7     .<windowed transformation>(<window function>)
 8 
 9 // event-time session windows with dynamic gap
10 input
11     .keyBy(<key selector>)
12     .window(EventTimeSessionWindows.withDynamicGap(new SessionWindowTimeGapExtractor[String] {
13       override def extract(element: String): Long = {
14         // determine and return session gap
15       }
16     }))
17     .<windowed transformation>(<window function>)
18 
19 // processing-time session windows with static gap
20 input
21     .keyBy(<key selector>)
22     .window(ProcessingTimeSessionWindows.withGap(Time.minutes(10)))
23     .<windowed transformation>(<window function>)
24 
25 
26 // processing-time session windows with dynamic gap
27 input
28     .keyBy(<key selector>)
29     .window(DynamicProcessingTimeSessionWindows.withDynamicGap(new SessionWindowTimeGapExtractor[String] {
30       override def extract(element: String): Long = {
31         // determine and return session gap
32       }
33     }))
34     .<windowed transformation>(<window function>)

3、WindowAPI

3.1 TimeWindow

TimeWindow是将指定时间范围内的所有数据组成一个window，一次对一个window里面的所有数据进行计算。

1. 滚动窗口

Flink默认的时间窗口根据Processing Time 进行窗口的划分，将Flink获取到的数据根据进入Flink的时间划分到不同的窗口中。然后就可以对窗口的数据进行聚合等操作

 1 val dataDS: DataStream[String] = env.socketTextStream("hadoop01", 9999)
 2 
 3 val mapDS = dataDS.map(data=>{
 4     val datas = data.split(",")
 5     (datas(0),1)
 6 })
 7 
 8 val reduceDS: DataStream[(String, Int)] = mapDS.keyBy(_._1)
 9     .timeWindow(Time.seconds(5)).reduce(
10     (t1, t2) => {
11         (t1._1, t1._2 + t2._2)
12     }
13 )
14 
15 reduceDS.print()

时间间隔可以通过Time.milliseconds(x)，Time.seconds(x)，Time.minutes(x)等其中的一个来指定。

2.滑动窗口

滑动窗口和滚动窗口的函数名是完全一致的，只是在传参数时需要传入两个参数，一个是window_size，一个是sliding_size。

下面代码中的sliding_size设置为了3s，也就是说，窗口每3s就计算一次，每一次计算的window范围是6s内的所有元素。

 1 val dataDS: DataStream[String] = env.socketTextStream("hadoop01", 9999)
 2 
 3 val mapDS = dataDS.map(data=>{
 4     val datas = data.split(",")
 5     (datas(0),1)
 6 })
 7 
 8 val reduceDS: DataStream[(String, Int)] = mapDS.keyBy(_._1)
 9     .timeWindow(Time.seconds(6),Time.seconds(3)).reduce(
10     (t1, t2) => {
11         (t1._1, t1._2 + t2._2)
12     }
13 )
14 
15 reduceDS.print()

时间间隔可以通过Time.milliseconds(x)，Time.seconds(x)，Time.minutes(x)等其中的一个来指定。

3.2 CountWindow

CountWindow根据窗口中相同key元素的数量来触发执行，执行时只计算元素数量达到窗口大小的key对应的结果。

注意：CountWindow的window_size指的是相同Key的元素的个数，不是输入的所有元素的总数。

1.滚动窗口

默认的CountWindow是一个滚动窗口，只需要指定窗口大小即可，当元素数量达到窗口大小时，就会触发窗口的执行。

 1 val dataDS: DataStream[String] = env.socketTextStream("hadoop01", 9999)
 2 
 3 val mapDS = dataDS.map(data=>{
 4     val datas = data.split(",")
 5     (datas(0),1)
 6 })
 7 
 8 val reduceDS: DataStream[(String, Int)] = mapDS.keyBy(_._1)
 9     .countWindow(3).reduce(
10     (t1, t2) => {
11         (t1._1, t1._2 + t2._2)
12     }
13 )
14 
15 reduceDS.print()

2.滑动窗口

滑动窗口和滚动窗口的函数名是完全一致的，只是在传参数时需要传入两个参数，一个是window_size，一个是sliding_size。

下面代码中的sliding_size设置为了2，也就是说，每收到两个相同key的数据就计算一次，每一次计算的window范围是3个元素。

 1 val dataDS: DataStream[String] = env.socketTextStream("hadoop01", 9999)
 2 
 3 val mapDS = dataDS.map(data=>{
 4     val datas = data.split(",")
 5     (datas(0),datas(2).toInt)
 6 })
 7 
 8 val reduceDS: DataStream[(String, Int)] = mapDS.keyBy(_._1)
 9     .countWindow(3,2).reduce(
10     (t1, t2) => {
11         (t1._1, t1._2 + t2._2)
12     }
13 )
14 
15 reduceDS.print()

3.3 Window function

window function 定义了要对窗口中收集数据后所做的计算操作，主要可以分为两类：

增量聚合函数（incremental aggregation functions）
全窗口函数（full window functions）

增量聚合函数（incremental aggregation functions）

每条数据到来就进行计算，保持一个简单的状态。典型的增量聚合函数有

ReduceFunction

 1 val dataDS: DataStream[String] =
 2  env.socketTextStream("linux1", 9999)
 3 
 4 val mapDS = dataDS.map(data=>{
 5     val datas = data.split(",")
 6     (datas(0),datas(2).toInt)
 7 })
 8 
 9 val reduceDS: DataStream[(String, Int)] = mapDS.keyBy(_._1)
10     .timeWindow(Time.seconds(3)).reduce(
11         new ReduceFunction[(String, Int)] {
12             override def reduce(t: (String, Int), t1: (String, Int)): (String, Int) = {
13                 (t._1, t._2 + t1._2)
14             }
15         }
16     )
17 
18 reduceDS.print()
19 val dataDS: DataStream[String] =
20  env.socketTextStream("linux1", 9999)
21 
22 val mapDS = dataDS.map(data=>{
23     val datas = data.split(",")
24     (datas(0),datas(2).toInt)
25 })
26 
27 val reduceDS: DataStream[(String, Int)] = mapDS.keyBy(_._1)
28     .timeWindow(Time.seconds(3)).reduce(
29         new ReduceFunction[(String, Int)] {
30             override def reduce(t: (String, Int), t1: (String, Int)): (String, Int) = {
31                 (t._1, t._2 + t1._2)
32             }
33         }
34     )
35 
36 reduceDS.print()

AggregateFunction

 1 val dataDS: DataStream[String] =
 2  env.socketTextStream("linux1", 9999)
 3 
 4 val mapDS = dataDS.map(data=>{
 5     val datas = data.split(",")
 6     (datas(0),datas(2).toInt)
 7 })
 8 
 9 val aggregateDS: DataStream[(String, Int)] = mapDS.keyBy(_._1)
10     .countWindow(3).aggregate(
11         // TODO 此处聚合函数类似于Spark中的累加器
12         new AggregateFunction[(String, Int), (Int, Int), (String, Int)] {
13             override def createAccumulator(): (Int, Int) = {
14                 (0,0)
15             }
16 
17             override def add(in: (String, Int), acc: (Int, Int)): (Int, Int) = {
18                 (in._2 + acc._1, acc._2 + 1)
19             }
20 
21             override def getResult(acc: (Int, Int)): (String, Int) = {
22                 ("sensor", (acc._1 / acc._2))
23             }
24 
25             override def merge(acc: (Int, Int), acc1: (Int, Int)): (Int, Int) = {
26                 (acc._1 + acc1._1, acc._2 + acc1._2)
27             }
28         }
29     )
30 
31 aggregateDS.print()

全窗口函数（full window functions）

先把窗口所有数据收集起来，等到计算的时候会遍历所有数据。ProcessWindowFunction就是一个对整个窗口中数据处理的函数。

 1 val dataDS: DataStream[String] =
 2  env.socketTextStream("linux1", 9999)
 3 
 4 val mapDS = dataDS.map(data=>{
 5     val datas = data.split(",")
 6     (datas(0),datas(2).toInt)
 7 })
 8 
 9 val processDS: DataStream[String] = mapDS.keyBy(_._1)
10     .countWindow(3)
11     .process(new ProcessWindowFunction[(String, Int), String, String, GlobalWindow] {
12         override def process(key: String, context: Context, elements: Iterable[(String, Int)], out: Collector[String]): Unit = {
13             //println(elements.mkString(","))
14             out.collect(elements.mkString(","))
15         }
16     })
17 processDS.print()

3.4 其他API

.trigger() —— 触发器

定义 window 什么时候关闭，触发计算并输出结果

.evitor() —— 移除器

定义移除某些数据的逻辑

.allowedLateness() —— 允许处理迟到的数据
.sideOutputLateData() —— 将迟到的数据放入侧输出流
.getSideOutput() —— 获取侧输出流